Las estrellas son los bloques de construcción básicos de nuestro universo. La mayoría de las estrellas albergan planetas, como nuestro sol, albergan nuestro sistema solar, y si se ve más amplio, grupos de estrellas hacen grandes estructuras como grupos y galaxias. Entonces, antes de los astrofísicos, pueden tratar de comprender estas grandes estructuras, primero debemos comprender las propiedades básicas de las estrellas, como su masa, radio y temperatura.
Pero la medición de estas propiedades básicas resultó extremadamente difícil. Esto se debe a que las estrellas están literalmente en distancias astronómicas. Si nuestro sol era baloncesto en la costa este de los Estados Unidos, entonces la estrella más cercana, Prikim, era naranja en Hawai. Incluso los telescopios más grandes del mundo no pueden resolver naranja en Hawai. Parece ser la medición del radio y las masas de estrellas fuera de los científicos.
Ingrese a las estrellas binarias. Los binarios son los sistemas de dos estrellas que giran alrededor del centro de masas mutuas. Su requisito gestiona la ley armoniosa de Kepler, que conecta tres cantidades importantes: el tamaño de cada órbita, el tiempo que necesitan en órbita, llamado período orbital y masa general del sistema.
Soy astrónomo, y mi equipo de investigación trabaja para mejorar nuestra comprensión teórica y acceso al modelado de estrellas binarias y más sistemas estelares. En las últimas dos décadas, también fue pionero en el uso de la inteligencia artificial en la interpretación de las observaciones sobre estos bulliciosos de las instalaciones celestiales.
Medición de masa de estrella
Los astrónomos pueden medir fácilmente el tamaño orbital y el período del sistema binario fácilmente que las observaciones, de modo que la masa total del sistema puede calcular con esas dos partes. El armónico de Kepler actúa como una escala para medir los cuerpos celestes.
Las estrellas binarias se orbitan entre sí, y en el eclipse de estrellas binarias, una pasa frente a la otra, en comparación con la lente telescópica. Merikanto / Vikimedia Commons, CC BI-SA
Considere el patio de recreo de Sesava. Si dos niños pesan casi lo mismo, tendrán que sentarse a la misma distancia del medio. Sin embargo, si un niño es más grande, tendrá que sentarse más cerca y un niño más pequeño lejos del medio.
Es lo mismo con las estrellas: la estrella de los miembros en pares binarios, más cerca del centro es y más lento alrededor del centro. Cuando los astrónomos miden la velocidad en la que se mueven las estrellas, también pueden hablar que son las grandes estrellas y, como resultado, lo que tienen que más difíciles.
Medición de Radius de Star
La ley armónica del Kepler, desafortunadamente, los astrónomos dicen cualquier cosa sobre el radio de las estrellas. Para esos astrónomos, confían en otra característica de serendipitona de la Madre de la Naturaleza.
Órbita binaria Las estrellas orientadas están al azar. A veces sucede que la línea telescópica Vision alinea el avión, órbitas de estrellas binarias. Esta alineación aleatoria significa que las estrellas se oscurecieron entre sí mientras giran alrededor del centro. Las formas de estos eclips permiten a los astrónomos descubrir la radio con estrellas que usan geometría directa. Estos sistemas se llaman eclipse de estrellas binarias.
Al tomar medidas del eclipse del sistema de estrellas binarias, los astrónomos pueden medir la estrella de radio.
Más de la mitad de las estrellas como el sol se encuentran en binario, y los agentes de Eclipse ganan entre 1% y 2% de las estrellas. Puede sonar bajo, pero el universo es enorme, por lo que hay muchos sistemas de eclipse allí, cientos de millones en nuestra galaxia.
Al observar la agrupación de Ecstronomers, los astrónomos pueden medir no solo las masas y las estrellas de radio, sino qué tan calientes son.
Los problemas complejos requieren un cálculo complejo
Incluso con binario binario, medir las propiedades de las estrellas no es una tarea fácil. Las estrellas se deforman mientras se giran y se tiran en el sistema binario. Se comunican, tienen la intención del uno al otro, pueden tener espacio y campos magnéticos y pueden inclinarse de esta manera o él.
Para estudiarlos, los astrónomos usan modelos complejos que tienen muchos botones e interruptores. Como entrada, los modelos toman parámetros, por ejemplo, la forma y el tamaño de la estrella, sus propiedades orbitales o cuánta luz se transmite, para predecir que el observador vería tal observación del sistema binario.
Los modelos de computadora llevan tiempo. Los pronósticos del modelo de computadora generalmente llevan unos minutos. Para asegurarnos de que podamos confiar en ellos, necesitamos probar muchas combinaciones de parámetros, generalmente docenas de millones.
Este número de combinaciones requiere cientos de millones de minutos desde el cálculo del tiempo, solo para determinar las propiedades básicas de las estrellas. Esto equivale a más de 200 años de computadoras.
Las computadoras conectadas en un clúster pueden calcular más rápido, pero incluso utilizando un clúster de computadora, lleva tres o más semanas "resolver" o determinar todos los parámetros para un binario. Este desafío explica por qué solo hay unas 300 estrellas para las cuales los astrónomos tienen mediciones precisas de sus parámetros básicos.
Los modelos utilizados para resolver estos sistemas ya están en gran medida optimizados y no pueden ser mucho más rápidos de lo que ya están funcionando. Por lo tanto, los investigadores necesitan un enfoque completamente nuevo para la reducción de la computadora.
Usando el aprendizaje profundo
Una solución a mi equipo de investigación ha sido investigado involucra redes neuronales de aprendizaje profundo. La idea básica es simple: queríamos reemplazar el modelo físico costoso calculado con un modelo mucho más rápido basado en la IA.
Primero calculamos una enorme base de datos de predicción hipotética de estrellas binarias, utilizando funciones que los astrónomos pueden observar fácilmente, donde desviamos las propiedades hipotéticas de las estrellas binarias. Hablamos cientos de millones de combinaciones de parámetros. Luego comparamos estos resultados con las observaciones reales para ver cuáles coinciden mejor. Las redes AI y neuronales son idealmente adecuadas para esta tarea.
En resumen, las redes neuronales están mapeando. Carpan cierta entrada familiar en la salida de fecha. En nuestro caso, mapean las propiedades de la diversidad del eclipse en las predicciones esperadas. Las redes neuronales imitan el modelo de binario, pero independientemente de toda la complejidad del modelo físico.
Las redes neuronales revelan patrones y usan su entrenamiento para resultados, en función de la entrada.
Entrenamos una red neuronal mostrándola a cualquier predicción de nuestra base de datos, junto con el conjunto de bienes raíces utilizado para la generación. Una vez totalmente entrenado, la red neuronal podrá predecir con precisión lo que los astrónomos deben ver desde el sistema binario dado.
En comparación con unos pocos minutos de realización para el modelo físico, la red neuronal utiliza inteligencia artificial para obtener el mismo resultado en una pequeña parte de un segundo.
Aprovechar
Una pequeña parte de otra obra para aproximadamente un millón de reducciones amortiguadas con tiempo de ejecución. Esto trae tiempo de semanas en una supercomputadora en solo unos minutos en una computadora portátil. También significa que podemos analizar cientos de miles de sistemas binarios en unas pocas semanas en un clúster de computadora.
Esta reducción significa que podemos obtener propiedades básicas (masa de estrellas, radio, temperatura y lumina) para cada eclipse de estrellas binarias que se notaron en un mes o dos. Un gran desafío es mostrar que los resultados de IA realmente dan los mismos resultados que un modelo físico.
Esta tarea es la esencia del nuevo papel. En él, realmente hemos demostrado que el modelo se realizó AI trae los mismos resultados que un modelo físico en más del 99% de combinaciones de parámetros. Este resultado significa que el rendimiento de AI es robusto. Nuestro siguiente paso? Disposición ai en todos los binari binarios binarios binarios observados.
Lo mejor de todo? Aunque aplicamos esta metodología por binario, el principio básico se refiere a cualquier modelo físico complejo fuera. Los modelos de IA similares ya están acelerando muchas aplicaciones en el mundo real, desde el pronóstico del tiempo para el análisis de la bolsa de valores.
0 Comentarios